图割聚类、转导和其他组合问题的快速SDP松弛
蒂杰尔·德比（Tijl De Bie）、内洛·克里斯蒂亚尼尼（Nello Cristianini）; 7(52):1409−1436, 2006.
摘要
凸规划的兴起改变了许多研究的面貌近年来，机器学习是受益最多。最近的发展半定程序（SDP）的组合问题过去十年来备受关注（Helmberg，2000；De Bie和克里斯蒂亚尼尼，2004a）。尽管SDP问题可以在多项式时间内解决，但对于许多松弛多项式复杂度界限中的指数也是适用于扩展到大型问题。这阻碍了他们理解是机器学习中一种强大的新工具。
在本文中，我们提出了一种新的快速SDP弛豫规范化图割问题，并研究其在无监督和半监督学习。特别是提供了一种用于转导的凸算法以及方法我们进一步提出了快速所有占据旧光谱中间位置的松弛放松和新的SDP放松，让人可以权衡计算成本与松弛精度。最后，我们讨论本文中开发的方法如何应用于其他机器学习中的组合问题，我们处理max-cut以问题为例。
[腹肌]
[pdf格式][围兜]
